特開 2022-118244 重症度評価装置及びモデル生成装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022118244

(43)【公開日】2022-08-12

(54)【発明の名称】重症度評価装置及びモデル生成装置

(51)【国際特許分類】

   G16H 10/40 20180101AFI20220804BHJP

   G16H 50/00 20180101ALI20220804BHJP

   G16H 30/00 20180101ALI20220804BHJP

   G16H 30/20 20180101ALI20220804BHJP

   G16H 10/00 20180101ALI20220804BHJP

【ＦＩ】

G16H10/40

G16H50/00

G16H30/00

G16H30/20

G16H10/00

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2022102347

(22)【出願日】2022-06-27

(62)【分割の表示】P 2019194633の分割

【原出願日】2019-10-25

(71)【出願人】

【識別番号】519383751

【氏名又は名称】岡田 直己

(74)【代理人】

【識別番号】100109896

【弁理士】

【氏名又は名称】森 友宏

(72)【発明者】

【氏名】岡田 直己

(57)【要約】

【課題】最適な医療資源の分配を可能にすることで最適化された医療の提供を可能にする重症度評価装置を提供する。
【解決手段】モデル生成装置１０は、ＣＴ画像に対して身体部位の疾患の度合いを示す疾患情報をラベル付けした教師データ９０を取得する教師データ取得部３１と、教師データ９０を用いて、ＣＴ画像を入力すると疾患情報を出力する疾患情報モデル５０を機械学習により生成するモデル生成部３２とを備える。重症度評価装置２０は、患者のＣＴ画像６０を取得する測定データ取得部４１と、疾患情報モデル５０を用いてＣＴ画像６０からそれぞれの疾患情報７０を取得する疾患情報取得部４２と、疾患情報取得部４２により取得された疾患情報７０に基づいて患者の重症度７５を算出する重症度算出部４３とを備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

人間の身体の状態を測定した測定データに対して、該測定データに含まれる身体部位の疾患に関する情報を示す疾患情報をラベル付けした教師データを取得する教師データ取得部と、
前記教師データ取得部により取得された前記教師データを用いて、人間の身体の状態を測定した測定データを入力すると該測定データに含まれる身体部位の疾患情報を出力する疾患情報モデルを機械学習により生成する疾患情報モデル生成部と
を備える、モデル生成装置。

【請求項2】

人間の身体の状態を測定した測定データに対して、該測定データに含まれる身体部位の分類をラベル付けした教師データを取得する教師データ取得部と、
前記教師データ取得部により取得された前記教師データを用いて、人間の身体の状態を測定した測定データを入力すると該測定データに含まれる身体部位の分類を出力する部位分類モデルを機械学習により生成する部位分類モデル生成部と
を備える、モデル生成装置。

【請求項3】

人間の身体の状態を測定した測定データに対して、該測定データに含まれる身体部位の分類と該身体部位の疾患に関する情報を示す疾患情報とをラベル付けした教師データを取得する教師データ取得部と、
前記教師データ取得部により取得された前記教師データを用いて、人間の身体の状態を測定した測定データ及び該測定データに含まれる身体部位の分類を入力すると該測定データに含まれる身体部位の疾患情報を出力する疾患情報モデルを機械学習により生成する疾患情報モデル生成部と
を備える、モデル生成装置。

【請求項4】

前記測定データは、ＣＴ画像、ＭＲＩ画像、三次元計測データ、採血データ、生理学的検査データ、レントゲン検査データ、エコー検査データ、及び生命兆候を示すデータのうち少なくとも１つを含む、請求項１から３のいずれか一項に記載のモデル生成装置。

【請求項5】

患者の身体の状態を測定した複数の測定データを取得する測定データ取得部と、
人間の身体の状態を測定した測定データを入力すると該測定データに含まれる身体部位の疾患に関する情報を示す疾患情報を出力する疾患情報モデルを用いて、前記測定データ取得部により取得された前記複数の測定データからそれぞれの測定データに含まれる身体部位の疾患情報を取得する疾患情報取得部と、
前記疾患情報取得部により取得された前記疾患情報に基づいて前記患者の重症度を算出する重症度算出部と
を備える、重症度評価装置。

【請求項6】

患者の身体の状態を測定した複数の測定データを取得する測定データ取得部と、
人間の身体の状態を測定した測定データを入力すると該測定データに含まれる身体部位の分類を出力する部位分類モデルを用いて、前記測定データ取得部により取得された前記複数の測定データからそれぞれに含まれる身体部位の分類を取得する部位分類取得部と、
人間の身体の状態を測定した測定データ及び該測定データに含まれる身体部位の分類を入力すると該測定データに含まれる身体部位の疾患情報を出力する疾患情報モデルを用いて、前記測定データ取得部により取得された前記複数の測定データと前記部位分類取得部により取得された身体部位の分類とからそれぞれの測定データに含まれる身体部位の疾患情報を取得する疾患情報取得部と、
前記疾患情報取得部により取得された前記疾患情報に基づいて前記患者の重症度を算出する重症度算出部と
を備える、重症度評価装置。

【請求項7】

前記重症度算出部は、前記身体部位の分類ごとに前記患者の重症度を算出するように構成される、請求項６に記載の重症度評価装置。

【請求項8】

前記重症度算出部は、身体所見、他の測定データ、及び患者の疾患原因に関するデータのうち少なくとも１つをさらに考慮して前記患者の重症度を算出するように構成される、請求項５から７のいずれか一項に記載の重症度評価装置。

【請求項9】

前記測定データは、ＣＴ画像、ＭＲＩ画像、三次元計測データ、採血データ、生理学的検査データ、レントゲン検査データ、エコー検査データ、及び生命兆候を示すデータのうち少なくとも１つを含む、請求項５から８のいずれか一項に記載の重症度評価装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、重症度評価装置及びモデル生成装置に係り、特に救命救急が必要な患者の重症度を評価する重症度評価装置に関するものである。

【背景技術】

【0002】

現在、日本では高齢化が急速に進んでおり、その患者数の増加に伴って医師の数が不足している。また、世界各国でも医師不足が叫ばれている。特に、救命救急科は、年間６００万件以上の救急搬送及び時間外診療を担う、国民にとって不可欠なインフラとなっているが、救命救急医療は、極めて迅速かつ的確な処置が要求されるため医師に敬遠されがちである。このため、医師不足が特に深刻であり、慢性的に時間と人員が不足している。

【0003】

そのような救命救急医療の初期診療で最も優先度が高いことは、患者の重症度を正確に評価することである。上述のように時間と人員に制限がある中では、軽症患者と重症患者とを見分けることこそが、最適な医療資源の分配を可能にし、多くの命を救うこととなるからである。しかしながら、救命救急の現場においては、次から次へと患者が搬送されてくることも多く、限られた医療資源の中では、救命救急医が多数の患者の重症度の評価を迅速かつ的確に行うことが難しい。したがって、それぞれの患者の重症度に応じた最適な救命救急医療を提供できるシステムの構築が一刻も早く求められている。

【発明の概要】

【発明が解決しようとする課題】

【0004】

本発明は、このような従来技術の問題点に鑑みてなされたもので、最適な医療資源の分配を可能にすることで最適化された医療の提供を可能にするモデル生成装置及び重症度評価装置を提供することを目的とする。

【課題を解決するための手段】

【0005】

本発明の第１の態様によれば、最適な医療資源の分配を可能にすることで最適化された医療の提供を可能にするモデル生成装置が提供される。このモデル生成装置は、人間の身体の状態を測定した測定データに対して、該測定データに含まれる身体部位の疾患に関する情報を示す疾患情報をラベル付けした教師データを取得する教師データ取得部と、上記教師データ取得部により取得された上記教師データを用いて、人間の身体の状態を測定した測定データを入力すると該測定データに含まれる身体部位の疾患情報を出力する疾患情報モデルを機械学習により生成する疾患情報モデル生成部とを備える。

【0006】

本発明の第２の態様によれば、最適な医療資源の分配を可能にすることで最適化された医療の提供を可能にするモデル生成装置が提供される。このモデル生成装置は、人間の身体の状態を測定した測定データに対して、該測定データに含まれる身体部位の分類をラベル付けした教師データを取得する教師データ取得部と、上記教師データ取得部により取得された上記教師データを用いて、人間の身体の状態を測定した測定データを入力すると該測定データに含まれる身体部位の分類を出力する部位分類モデルを機械学習により生成する部位分類モデル生成部とを備える。

【0007】

本発明の第３の態様によれば、最適な医療資源の分配を可能にすることで最適化された医療の提供を可能にするモデル生成装置が提供される。このモデル生成装置は、人間の身体の状態を測定した測定データに対して、該測定データに含まれる身体部位の分類と該身体部位の疾患に関する情報を示す疾患情報とをラベル付けした教師データを取得する教師データ取得部と、上記教師データ取得部により取得された上記教師データを用いて、人間の身体の状態を測定した測定データ及び該測定データに含まれる身体部位の分類を入力すると該測定データに含まれる身体部位の疾患情報を出力する疾患情報モデルを機械学習により生成する疾患情報モデル生成部とを備える。

【0008】

本発明の第４の態様によれば、最適な医療資源の分配を可能にすることで最適化された医療の提供を可能にする重症度評価装置が提供される。この重症度評価装置は、患者の身体の状態を測定した複数の測定データを取得する測定データ取得部と、人間の身体の状態を測定した測定データを入力すると該測定データに含まれる身体部位の疾患に関する情報を示す疾患情報を出力する疾患情報モデルを用いて、上記測定データ取得部により取得された上記複数の測定データからそれぞれの測定データに含まれる身体部位の疾患情報を取得する疾患情報取得部と、上記疾患情報取得部により取得された上記疾患情報に基づいて上記患者の重症度を算出する重症度算出部とを備える。

【0009】

本発明の第５の態様によれば、最適な医療資源の分配を可能にすることで最適化された医療の提供を可能にする重症度評価装置が提供される。この重症度評価装置は、患者の身体の状態を測定した複数の測定データを取得する測定データ取得部と、人間の身体の状態を測定した測定データを入力すると該測定データに含まれる身体部位の分類を出力する部位分類モデルを用いて、上記測定データ取得部により取得された上記複数の測定データからそれぞれに含まれる身体部位の分類を取得する部位分類取得部と、人間の身体の状態を測定した測定データ及び該測定データに含まれる身体部位の分類を入力すると該測定データに含まれる身体部位の疾患情報を出力する疾患情報モデルを用いて、上記測定データ取得部により取得された上記複数の測定データと上記部位分類取得部により取得された身体部位の分類とからそれぞれの測定データに含まれる身体部位の疾患情報を取得する疾患情報取得部と、上記疾患情報取得部により取得された上記疾患情報に基づいて上記患者の重症度を算出する重症度算出部とを備える。上記重症度算出部は、上記身体部位の分類ごとに上記患者の重症度を算出するように構成されていてもよい。

【0010】

本発明に係る構成によれば、測定データに含まれる身体部位の疾患情報を出力可能な疾患情報モデルを用いることによって、患者の身体の状態を測定した複数の測定データからその患者の重症度を短時間で自動的に評価することができ、患者の重症度を即座に医師に知らしめることが可能となる。これによって、医療資源をそれぞれの患者の重症度に応じて最適に分配することが可能となり、最適化された医療の提供が可能となる。

【0011】

上記重症度算出部は、身体所見、他の測定データ（例えば、血圧や体温、脈拍や経皮的動脈血酸素飽和度（SpO₂）、三次元計測データ、採血データ、生理学的検査データ、レントゲン検査データ、エコー検査データ、生命兆候を示すデータなど）、及び患者の疾患原因に関するデータ（救急隊からの情報（例えば、患者の疾患原因（交通事故、転倒、火災など）や事故の発生状況、目撃情報、身体所見、及び生体情報モニタからの測定データ）、過去に担当した医師からの情報、カルテ、過去の検査結果など）のうち少なくとも１つをさらに考慮して上記患者の重症度を算出するように構成されていてもよい。また、上記測定データは、ＣＴ画像、ＭＲＩ画像、三次元計測データ、採血データ、心電、呼吸機能データなどの生理学的検査データ、レントゲン検査データ、エコー検査データ、及び生命兆候を示すデータのうち少なくとも１つを含んでいてもよい。

【発明の効果】

【0012】

本発明によれば、測定データに含まれる身体部位の疾患情報を出力可能な疾患情報モデルを用いることによって、患者の身体の状態を測定した複数の測定データからその患者の重症度を短時間で自動的に評価することができ、患者の重症度を即座に医師に知らしめることが可能となる。これによって、医療資源をそれぞれの患者の重症度に応じて最適に分配することが可能となり、最適化された医療の提供が可能となる。

【図面の簡単な説明】

【0013】

【図1】図１は、本発明の第１の実施形態における重症度評価装置を含む救命救急支援システムを模式的に示すブロック図である。

【図2】図２は、図１に示すモデル生成装置のハードウェア構成の一例を示すブロック図である。

【図3】図３は、図１に示す重症度評価装置のハードウェア構成の一例を示すブロック図である。

【図4】図４は、本発明の第２の実施形態における重症度評価装置を含む救命救急支援システムを模式的に示すブロック図である。

【発明を実施するための形態】

【0014】

以下、本発明に係るモデル生成装置及び重症度評価装置を含む救命救急支援システムの実施形態について図１から図４を参照して詳細に説明する。なお、図１から図４において、同一又は相当する構成要素には、同一の符号を付して重複した説明を省略する。また、図１から図４においては、各構成要素の縮尺や寸法が誇張されて示されている場合や一部の構成要素が省略されている場合がある。以下の説明では、特に言及がない場合には、「第１」や「第２」などの用語は、構成要素を互いに区別するために使用されているだけであり、特定の順位や順番を表すものではない。

【0015】

図１は、本発明の第１の実施形態における救命救急支援システム１を模式的に示すブロック図である。図１に示すように、本実施形態における救命救急支援システム１は、機械学習により疾患情報モデル５０を生成するモデル生成装置１０と、モデル生成装置１０により生成された疾患情報モデル５０を用いて、患者の身体の状態を測定した測定データから患者の重症度を評価する重症度評価装置２０を含むものである。

【0016】

本実施形態では、人間の身体の状態を測定した測定データとして患者の身体の内部を撮影したＣＴ画像（コンピュータ断層撮影画像）を用いる例を説明するが、使用可能な測定データはＣＴ画像に限られるものではなく、例えばＭＲＩ画像（磁気共鳴断層撮影画像）や三次元計測データ、採血データ、心電、呼吸機能データなどの生理学的検査データ、レントゲン検査データ、エコー検査データ、生命兆候を示すデータ、その他の検査データであってもよく、これらのデータを組み合わせて用いることも可能である。

【0017】

本実施形態における救命救急支援システム１は、患者の身体の状態を測定する測定装置８０を含んでいる。本実施形態では、上述したように、測定データとしてＣＴ画像を用いるため、エックス線を用いて患者の身体の内部の断面画像を撮影するＣＴ装置が測定装置８０として用いられる。測定データとしてＭＲＩ画像を用いる場合には、磁気共鳴現象を用いて患者の身体の内部の情報を画像化するＭＲＩ装置が測定装置８０として用いられる。また、測定データとして他の検査データを用いる場合には、各々の検査における患者の身体情報を記述したデータを取得する検査装置が、測定装置８０として用いられる。

【0018】

図２は、モデル生成装置１０のハードウェア構成の一例を示すブロックである。このモデル生成装置１０は、例えばサーバコンピュータ、汎用コンピュータ、専用コンピュータ、又は携帯端末などにより構成され得るものであり、これらの機器を複数台組み合わせて構成されるものであってもよい。また、モデル生成装置１０は、他の装置とハードウェアを共用するものであってもよい。

【0019】

図２に示すように、モデル生成装置１０は、ＣＰＵ（Central Processing Unit）１１と、ＲＯＭ（Read Only Memory）１２と、ＲＡＭ（Random Access Memory）１３と、ハードディスクやソリッドステートディスクなどの記憶デバイス１４と、ディスプレイなどの表示装置１５と、キーボードやマウスなどの入力装置１６と、他の機器との通信を可能にする通信インタフェイス１７とを備えている。ＣＰＵ１１は、ＲＯＭ１２、ＲＡＭ１３、又は記憶デバイス１４に保存されているプログラムを読み出し、これを実行することにより後述する様々な機能部を実現するものである。通信インタフェイス１７は、他の装置との有線又は無線による通信を制御するものである。なお、表示装置１５及び入力装置１６をタッチパネルなどの表示機能と入力機能を有する機器により構成することもできる。

【0020】

図１に示すように、モデル生成装置１０は、上述したプログラムにより実現される機能部として、後述する教師データ９０を取得する教師データ取得部３１と、教師データ取得部３１により取得された教師データ９０を用いて後述する疾患情報モデルを機械学習により生成する疾患情報モデル生成部３２とを含んでいる。

【0021】

図３は、重症度評価装置２０のハードウェア構成の一例を示すブロック図である。この重症度評価装置２０は、例えばサーバコンピュータ、汎用コンピュータ、専用コンピュータ、又は携帯端末などにより構成され得るものであり、これらの機器を複数台組み合わせて構成されるものであってもよい。また、重症度評価装置２０は、他の装置とハードウェアを共用するものであってもよい。

【0022】

図３に示すように、重症度評価装置２０は、ＣＰＵ（Central Processing Unit）２１と、ＲＯＭ（Read Only Memory）２２と、ＲＡＭ（Random Access Memory）２３と、ハードディスクやソリッドステートディスクなどの記憶デバイス２４と、ディスプレイなどの表示装置２５と、キーボードやマウスなどの入力装置２６と、他の機器との通信を可能にする通信インタフェイス２７とを備えている。ＣＰＵ２１は、ＲＯＭ２２、ＲＡＭ２３、又は記憶デバイス２４に保存されているプログラムを読み出し、これを実行することにより後述する様々な機能部を実現するものである。通信インタフェイス２７は、他の装置との有線又は無線による通信を制御するものである。なお、表示装置２５及び入力装置２６をタッチパネルなどの表示機能と入力機能を有する機器により構成することもできる。

【0023】

図１に示すように、重症度評価装置２０は、上述したプログラムにより実現される機能部として、測定データ取得部４１、疾患情報取得部４２、及び重症度算出部４３を含んでいる。重症度評価装置２０の測定データ取得部４１は、上述した通信インタフェイス２７を介して測定装置８０と接続可能に構成されており、重症度評価装置２０の測定データ取得部４１と測定装置８０とは、例えばローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、近距離通信ネットワーク、イントラネット、インターネットなどのネットワークにより互いに接続されていてもよい。

【0024】

ここで、救命救急支援システム１の運用に先立って、まず、過去の多数のＣＴ画像に対してそれぞれのＣＴ画像中に見られる身体部位の疾患に関する情報（例えば疾患の度合い）を疾患情報としてラベル付けし、多数のＣＴ画像に対して疾患情報をラベル付けした教師データ９０を作成する。この教師データ９０は、モデル生成装置１０とネットワークを介して接続された機器や記憶媒体、あるいはモデル生成装置１０内の記憶デバイス１４に保存される。

【0025】

教師データ９０のラベル付けに用いられる疾患情報としては、例えば疾患の度合いを用いることができ、この場合の疾患の度合いは、外科的な評価においては例えば身体部位の損傷の度合いに応じて決定してもよく、内科的な評価においては例えば身体部位の病変の度合い及び炎症の大きさに応じて決定してもよい。このような疾患の度合いを示す疾患情報として、例えば「軽症」、「中等症」、「重症」の３つのラベルを用いてもよい。また、疾患情報として、例えば、患者の来院時の状態、入院後の経過（患者の予後の状態を例えば入院後の経過（軽快、脳死、死亡など）などにより分類したもの）、施された処置（手術や薬剤投与の有無、薬剤の量など）などを用いることもできる。

【0026】

モデル生成装置１０の教師データ取得部３１は、上述のようにして作成された教師データ９０を外部の機器から通信インタフェイス１７を介して取得し、あるいは、記録媒体や記憶デバイス１４から読み出す。教師データ取得部３１により取得された教師データ９０は、疾患情報モデル生成部３２における機械学習に用いられる。疾患情報モデル生成部３２は、教師データ９０を用いた機械学習によって、ＣＴ画像を入力するとそのＣＴ画像中に見られる身体部位の疾患情報を出力することが可能な疾患情報モデル５０を生成する。この疾患情報モデル生成部３２において行われる機械学習の方法は特定のものに限られるものではなく、例えばニューラルネットワークを用いた機械学習であってもよい。疾患情報モデル生成部３２で生成された疾患情報モデル５０は、重症度評価装置２０とネットワークを介して接続された機器や記憶媒体、あるいは重症度評価装置２０内の記憶デバイス２４に保存される。

【0027】

重症度評価装置２０においては、このような疾患情報モデル５０を用いることによって、例えば救急搬送されてきた患者の重症度を短時間で自動的に評価することが可能となる。より具体的には、患者が救急搬送されてくると、測定装置８０によって患者の全身のＣＴ画像６０が撮影される。重症度評価装置２０の測定データ取得部４１は、これらのＣＴ画像６０を測定装置８０から取得して疾患情報取得部４２に送る。

【0028】

疾患情報取得部４２は、モデル生成装置１０により生成された疾患情報モデル５０をネットワーク上の外部の機器から通信インタフェイス１７を介して取得し、あるいは、記録媒体や記憶デバイス２４から読み出す。そして、疾患情報取得部４２は、測定装置８０から取得したＣＴ画像６０をこの疾患情報モデル５０に入力し、それぞれのＣＴ画像６０に対する疾患情報７０を出力として得る。

【0029】

重症度評価装置２０の重症度算出部４３は、疾患情報取得部４２により得られたそれぞれのＣＴ画像６０に対する疾患情報７０に基づいて患者の総合的な重症度７５を算出する。この総合的な重症度７５の算出方法は、救命救急医が経験的に得たものであってもよく、特定のガイドラインや論文に基づくものであってもよい。

【0030】

また、重症度算出部４３は、疾患情報取得部４２により得られた疾患情報７０に加えて、他の付加的な情報を考慮して重症度７５を算出してもよい。このような付加的な情報としては、例えば、身体所見や他の測定データ（例えば、血圧や体温、脈拍や経皮的動脈血酸素飽和度（SpO₂）、三次元計測データ、採血データ、生理学的検査データ、レントゲン検査データ、エコー検査データ、生命兆候を示すデータなど）、患者の疾患原因に関するデータ（救急隊からの情報（例えば、患者の疾患原因（交通事故、転倒、火災など）や事故の発生状況、目撃情報、身体所見及び生体情報モニタからの測定データ）、過去に担当した医師からの情報、カルテ、過去の検査結果など）が挙げられる。

【0031】

このようにして算出された患者の重症度７５は、ディスプレイなどの表示装置１５に表示される。これにより、救命救急医は、その患者の総合的な重症度を即座に知ることが可能となる。また、算出された重症度７５から入院日数や治療費を予測してディスプレイなどの表示装置１５に付加的に表示してもよい。

【0032】

このように、本実施形態の重症度評価装置２０によれば、患者の全身のＣＴ画像６０からその患者の総合的な重症度７５を短時間で自動的に評価することができ、救命救急医はその患者の総合的な重症度を即座に知ることが可能となる。これにより、救命救急医は、それぞれの患者に対する処置の優先順位を決定することが容易となり、医療資源をそれぞれの患者の重症度に応じて最適に分配することが可能となる。また、救命救急医が、患者の重症度の評価に時間を割くことなく、より多くの時間を患者の処置に割くことが可能となるため、より多くの人命を救うことが可能となる。

【0033】

図４は、本発明の第２の実施形態における救命救急支援システム１０１を模式的に示すブロック図である。図４に示すように、本実施形態における救命救急支援システム１０１は、機械学習により部位分類モデル１５１及び疾患情報モデル１５２を生成するモデル生成装置１１０と、モデル生成装置１１０により生成された部位分類モデル１５１及び疾患情報モデル１５２を用いて、患者の身体の状態を測定した測定データ（例えばＣＴ画像）から患者の重症度を評価する重症度評価装置１２０を含んでいる。

【0034】

本実施形態におけるモデル生成装置１１０は、図２に示すモデル生成装置１０のハードウェア構成と同様のハードウェア構成を有しており、図４に示すように、後述する第１の教師データ１９１を取得する第１の教師データ取得部１３１と、第１の教師データ取得部１３１により取得された第１の教師データ１９１を用いて後述する部位分類モデル１５１を機械学習により生成する部位分類モデル生成部１３２と、後述する第２の教師データ１９２を取得する第２の教師データ取得部１３３と、第２の教師データ取得部１３３により取得された第２の教師データ１９２を用いて後述する疾患情報モデル１５２を機械学習により生成する疾患情報モデル生成部１３４とを含んでいる。

【0035】

また、本実施形態における重症度評価装置１２０は、図３に示す重症度評価装置２０のハードウェア構成と同様のハードウェア構成を有しており、図４に示すように、第１の実施形態の測定データ取得部４１及び重症度算出部４３に加えて、部位分類取得部１４１及び疾患情報取得部１４２を含んでいる。

【0036】

本実施形態において使用される第１の教師データ１９１は、過去の多数のＣＴ画像に対してそれぞれのＣＴ画像中に見られる身体部位の解剖学的分類（例えば「肝臓」、「膵臓」、「脾臓」など）をラベル付けしたものである。また、本実施形態において使用される第２の教師データ１９２は、過去の多数のＣＴ画像に対してそれぞれのＣＴ画像中に見られる身体部位の解剖学的分類とともに当該身体部位の疾患に関する情報（例えば疾患の度合い）を疾患情報としてラベル付けしたものである。

【0037】

これらの第１の教師データ１９１及び第２の教師データ１９２は、モデル生成装置１１０とネットワークを介して接続された機器や記憶媒体、あるいはモデル生成装置１１０内の記憶デバイス１４（図２参照）に保存される。なお、第１の教師データ１９１及び第２の教師データ１９２においてラベルとして用いられる身体部位の分類としては、上述のような解剖学的な分類を用いてもよいし、他の分類を用いてもよい。また、例えば、患者の身体を「頭部」、「胸部」、「腹部」などの大分類で分け、これらの大分類をさらに「骨」、「血管」などの小分類で分けるなどして、多階層化した分類を用いて第１の教師データ１９１及び第２の教師データ１９２のラベル付けを行ってもよい。

【0038】

モデル生成装置１１０の第１の教師データ取得部１３１は、第１の教師データ１９１を外部の機器から通信インタフェイス１７を介して取得し、あるいは、記録媒体や記憶デバイス１４から読み出す。第１の教師データ取得部１３１により取得された第１の教師データ１９１は、部位分類モデル生成部１３２における機械学習に用いられる。部位分類モデル生成部１３２は、第１の教師データ１９１を用いた機械学習によって、ＣＴ画像を入力するとそのＣＴ画像中に見られる身体部位の分類を出力することが可能な部位分類モデル１５１を生成する。この部位分類モデル生成部１３２において行われる機械学習の方法は特定のものに限られるものではなく、例えばニューラルネットワークを用いた機械学習であってもよい。部位分類モデル生成部１３２で生成された部位分類モデル１５１は、重症度評価装置１２０とネットワークを介して接続された機器や記憶媒体、あるいは重症度評価装置１２０内の記憶デバイス２４に保存される。

【0039】

モデル生成装置１１０の第２の教師データ取得部１３３は、第２の教師データ１９２を外部の機器から通信インタフェイス１７を介して取得し、あるいは、記録媒体や記憶デバイス１４から読み出す。第２の教師データ取得部１３３により取得された第２の教師データ１９２は、疾患情報モデル生成部１３４における機械学習に用いられる。疾患情報モデル生成部１３４は、第２の教師データ１９２を用いた機械学習によって、ＣＴ画像をそのＣＴ画像中に見られる身体部位の分類とともに入力すると疾患情報を出力することが可能な疾患情報モデル１５２を生成する。この疾患情報モデル生成部１３４において行われる機械学習の方法は特定のものに限られるものではなく、例えばニューラルネットワークを用いた機械学習であってもよい。疾患情報モデル生成部１３４で生成された疾患情報モデル１５２は、重症度評価装置１２０とネットワークを介して接続された機器や記憶媒体、あるいは重症度評価装置１２０内の記憶デバイス２４に保存される。

【0040】

重症度評価装置１２０においては、測定装置８０によって撮影された患者の全身のＣＴ画像６０が測定データ取得部４１により取得され、部位分類取得部１４１に送られる。この部位分類取得部１４１は、測定装置８０から取得したＣＴ画像６０を上述した部位分類モデル１５１に入力し、それぞれのＣＴ画像６０に対する身体部位の分類（例えば解剖学的分類）１７０を出力として得る。そして、疾患情報取得部１４２は、測定装置８０から取得したＣＴ画像６０を部位分類取得部１４１により得られた分類１７０とともに上述した疾患情報モデル１５２に入力し、それぞれのＣＴ画像６０に対する疾患情報７０を出力として得る。重症度評価装置１２０の重症度算出部４３は、疾患情報取得部１４２により得られたそれぞれのＣＴ画像６０に対する疾患情報７０に基づいて患者の総合的な重症度７５を算出する。

【0041】

このようにして算出された患者の重症度７５は、ディスプレイなどの表示装置１５に表示される。これにより、救命救急医は、その患者の総合的な重症度を即座に知ることが可能となる。この場合において、重症度評価装置１２０の重症度算出部４３は、部位分類取得部１４１により得られた分類１７０ごとに患者の重症度７５を算出するように構成されていてもよい。このように構成することで、救命救急医は、例えば救急搬送されてきた患者の重症度を身体部位の分類ごとに（換言すれば臓器ごとに）即座に知ることができる。したがって、その患者の臓器のうち処置を施すべき臓器の優先順位を決定することが容易となり、その患者の救命可能性を高めることができる。

【0042】

これまで本発明の好ましい実施形態について説明したが、本発明は上述の実施形態に限定されず、その技術的思想の範囲内において種々異なる形態にて実施されてよいことは言うまでもない。

【符号の説明】

【0043】

１ 救命救急支援システム
１０ モデル生成装置
２０ 重症度評価装置
３１ 教師データ取得部
３２ 疾患情報モデル生成部
４１ 測定データ取得部
４２ 疾患情報取得部
４３ 重症度算出部
５０ 疾患情報モデル
６０ ＣＴ画像
７０ 疾患情報
７５ 重症度
８０ 測定装置
９０ 教師データ
１０１ 救命救急支援システム
１１０ モデル生成装置
１２０ 重症度評価装置
１３１ 第１の教師データ取得部
１３２ 部位分類モデル生成部
１３３ 第２の教師データ取得部
１３４ 疾患情報モデル生成部
１４１ 部位分類取得部
１４２ 疾患情報取得部
１５１ 部位分類モデル
１５２ 疾患情報モデル
１９１ 第１の教師データ
１９２ 第２の教師データ

【図1】

【図2】

【図3】

【図4】